连接显著性预测与图像质量评估之间的差距
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文介绍了一种基于视觉显著性和对比度的图像质量评估方法，增强了中心区域的敏感度，实验结果表明其与人类评估的相关性更强且处理速度更快。此外，提出了多模式提示和多任务学习的方法，提升了评估的鲁棒性和准确性。研究还探讨了显著性图对人类表现的影响及其在不同任务中的效益。
🔎
延伸解读
显著性预测与图像质量评估的融合趋势
文章梳理了多项研究，显示视觉显著性正被逐步引入图像质量评估。从全参考方法增强中心区域敏感度，到利用显著性图影响人类表现，再到多任务学习自动获取辅助知识，这些工作共同指向一个趋势：通过模拟人类视觉注意机制，提升评估与主观感知的一致性。
方法多样性与性能权衡
文章提及的方法包括基于对比度的全参考评估、无回归检索框架、VAE-QA、多模式提示和多任务学习等。这些方法在相关性、速度、泛化能力和参数量上各有侧重。例如，VAE-QA强调跨数据集泛化和低资源消耗，而多模式提示则追求鲁棒性和准确性。读者需根据应用场景权衡选择。
显著性图对人类表现的影响并非一致正向
一项68个用户研究的系统综述发现，显著性图虽可增强人类表现，但零效应甚至负效应也常见。效益受任务类型、AI性能、XAI方法等因素调节，且在图像任务中不如AI任务常见。这提示在应用显著性图时需考虑具体情境，避免盲目假设其总是有益。
❓
Q&A
这篇文章提出了什么样的图像质量评估方法？
文章提出了一种基于视觉显著性和对比度的全参考图像质量评估方法，增强了中心区域的敏感度。
该方法与人类评估的相关性如何？
实验结果显示该方法与人类评估的相关性更强，处理速度更快。
文章中提到的多模式提示方法有什么优势？
多模式提示方法通过挖掘增量语义信息，提升了评估的鲁棒性和准确性。
显著性图对人类表现的影响是什么？
显著性图可以增强人类表现，但也可能出现零效应或负效应，这些效应受多种因素调节。
文章中提到的多任务学习方法有什么特点？
多任务学习方法能够自动学习来自其他任务的辅助知识，并通过精心设计的损失函数进行优化。
如何提高图像质量评估的准确性？
通过使用混合专家方法和训练独立的编码器来学习高级和低级图像特征，可以提高评估准确性。
🏷️
